摘要: 工业的发展离不开钢铁材料的支撑，现代工业的发展对钢板质量的要求越来越高。在钢板生产过程中会产生多种类型的缺陷，如辊印、刮痕和结疤等，这些缺陷会直接影响到钢板的质量、性能，因此需要对钢板缺陷进行有效的检测。本文针对目前传统的钢板表面... 展开 工业的发展离不开钢铁材料的支撑，现代工业的发展对钢板质量的要求越来越高。在钢板生产过程中会产生多种类型的缺陷，如辊印、刮痕和结疤等，这些缺陷会直接影响到钢板的质量、性能，因此需要对钢板缺陷进行有效的检测。本文针对目前传统的钢板表面缺陷检测方法自动化程度低、检测速度慢以及准确率低等问题，研究了一种基于深度学习的钢板表面缺陷检测方法，实现钢板缺陷的智能化检测。 钢板表面缺陷具有多类别、多尺度和小目标等特点，且同一种缺陷具有不同的形态，不同的缺陷存在相似性。本文对常见的五种钢板表面缺陷样本进行了分析，通过对收集到的钢板缺陷图像进行筛选，建立了基于深度学习的钢板表面缺陷的样本集，并进行了样本集标注与划分。分析了几种深度学习框架的优缺点，在实验中选择采用PyTorch框架，对钢板表面缺陷样本集进行训练和学习。设计了钢板表面缺陷检测的实验系统，并对评价深度学习检测模型综合性能的一些相关指标进行了分析和阐述。 通过对R-CNN和YOLO两大系列缺陷检测模型进行分析比较，可知基于R-CNN系列的模型是为二阶检测模型，其中表现较好的FasterR-CNN通过引入RPN网络实现两次检测，提高了检测速度和精度；而基于YOLO系列的模型是为一阶检测模型，其中表现较好的YOLOv3采用了残差结构和特征融合等一次性完成多尺度检测。将本文样本集在两种网络模型上分别进行实验，通过对实验结果的分析，可知FasterR-CNN的综合检测性能更好，因此本文将FasterR-CNN作为钢板缺陷检测的基础网络模型。 通过对FasterR-CNN模型结构进行分析，提出将YOLOv3模型的残差结构和特征融合等优点引入到FasterR-CNN模型，从特征提取算法及RoI池化方法对FasterR-CNN模型进行优化。原网络中采用VGG16的13层卷积去提取特征，网络层数较少，提取的特征图信息不够完善，检测精度低，因此引入残差结构模块增加网络层数，并对下采样后的特征图进行上采样后，再进行横向连接及卷积融合不同层级的特征，同时加入空洞卷积，优化残差模块，扩大感受野，提高特征图的分辨率，有利于实现多层特征图的多尺度缺陷检测。由于RoIPooling量化取整带来的计算偏差，直接导致RoI区域内的像素偏差及空间对应位置的偏差，影响了检测精度。提出的RoIAlign池化方法中，采样点的特征值通过周围相邻的整型特征点双线性插值获得，不会造成量化偏差，有效地提高了钢板缺陷检测的精度。 通过分组及组合实验结果分析表明，采用特征提取算法优化和池化算法优化的FasterR-CNN网络模型的平均检测精度得到了提高，而对两种算法优化组合后，钢板缺陷的的平均检测精度达到了94.49%，可以满足钢板生产的实际需求。而且采用基于深度学习的钢板缺陷检测方法，无需针对每一种缺陷设置特定的特征提取算法，即可有效提取缺陷特征，具有检测速度快、检测精度高的优势，适合钢板缺陷的在线检测。 收起